Título
Markovian model for forecasting financial time series
Autor
Hasanbas, Ersin
Resumo
pt
O estudo tem como objectivo criar um modelo markoviano para a previsão de séries temporais
e medir a eficácia deste nas previsões de preços das ações. No estudo, o novo previsor foi
inspirado em várias técnicas de aprendizagem de máquinas e incluiu abordagens estatísticas e
probabilidades condicionais. Ou seja, as cadeias de Markov são a principal inspiração das
técnicas para a aprendizagem das máquinas.
Para ser capaz de processar séries temporais com algorítmo do tipo Cadeias de Markov, a
nova técnica é desenvolvida com base em preços diários e ações. Foram considerados treze
anos de preços diários de ações para teste dos modelos.
Para medir a eficácia do novo previsor, foram obtidos resultados comparados com
métodos convencionais, como os modelos ARIMA, a regressão linear, a regressão a partir da
árvore de decisão. Esta comparação foi efetuada com base no Erro Absoluto Médio Percentual
(MAPE) e na Raiz do Erro Quadrático Médio (RMSE). De acordo com os resultados obtidos, o
novo previsor tem melhor desempenho do que a regressão da árvore de decisão, e o ARIMA
tem o melhor desempenho entre eles.
en
The study aims to create a Markovian model for forecasting financial time series and
measure its effectiveness on stock prices. In the study, the new forecaster was inspired by
several machine learning techniques and included statistical approaches and conditional
probabilities. Namely, Markov Chains and Hidden Markov Chains are the main inspiration for
machine learning techniques.
To be able to process time series with Markov Chains like algorithm, new transformation
developed with the usage of daily stock prices. Thirteen years of daily stock prices have been
used for the data feed.
For measuring the effectiveness of a new predictor, the obtaıned results are compared with
conventional methods such as ARIMA, linear regression, decision tree regression and support
vector regression predictions. The comparisons presented are based on Mean Absolute
Percentage Error (MAPE) and Root Mean Square Error ( RMSE). According to the achieved
results, the new predictor performs better than decision tree regression, and ARIMA performs
best among them.